KR20210065228A - Ultrasonic Lesion Extraction Method Using Medical Image Big Data - Google Patents
Ultrasonic Lesion Extraction Method Using Medical Image Big Data Download PDFInfo
- Publication number
- KR20210065228A KR20210065228A KR1020190153222A KR20190153222A KR20210065228A KR 20210065228 A KR20210065228 A KR 20210065228A KR 1020190153222 A KR1020190153222 A KR 1020190153222A KR 20190153222 A KR20190153222 A KR 20190153222A KR 20210065228 A KR20210065228 A KR 20210065228A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- ultrasound
- lesion
- liver
- algorithm
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/56—Details of data transmission or power supply
- A61B8/565—Details of data transmission or power supply involving data transmission via a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G06N3/0427—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
Description
본 발명은 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법에 관한 ㄱ거것으로, 보다 구체적으로는 Open Source Software)기반의 초음파 의료영상 병변 추출 알고리즘으로써 초당 20만건 이상의 색인을 보장하는 멀티테넌시 빅데이터 DB 및 초음파 병변 추출 알고리즘 개발과 공개 소프트웨어를 이용한 실시간 고급 분석 및 시각화 서비스를 제공할 수 있도록 한 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법에 관한 것이다.The present invention relates to a method for extracting ultrasound lesions using medical image big data, and more specifically, a multi-tenancy big data DB that guarantees indexes of 200,000 or more per second as an ultrasound medical image lesion extraction algorithm based on Open Source Software, and It relates to an ultrasound lesion extraction method using medical image big data that enables the development of an ultrasound lesion extraction algorithm and provides real-time advanced analysis and visualization services using open software.
최근 성장에 관한 관심도가 증가하고 있고, 소아 청소년기 식생활 변화로 성장관련 질환이 급증하면서 소아청소년의 성장관련 장애가 빈번히 발생하고 있다. In recent years, interest in growth has increased, and growth-related disorders are frequently occurring as growth-related diseases rapidly increase due to changes in eating habits during childhood and adolescence.
의료영상진단시스템은 X-ray, CT , MRI , PET , 내시경(endoscopy), 캡슐 내시경, 그리고 초음파 검사(ultrasonography)등과 같은 영상기기들뿐만 아니라 영상처리와 분석, 그리고 결과를 시각화하는 소프트웨어들에 대한 연구가 꾸준히 진행되고 있다. The medical imaging diagnostic system is a system for imaging equipment such as X-ray, CT, MRI, PET, endoscopy, capsule endoscopy, and ultrasonography, as well as software for image processing, analysis, and visualization of results. Research is ongoing.
현재는 초음파 영상을 이용해 전공의(의사)들이 직접 눈으로 보고 병변의 유무를 판독하기 때문에 오차범위 발생 및 신뢰성이 떨어지는 문제점을 가지고 있다. Currently, there are problems in that an error range occurs and reliability is lowered because specialists (doctors) directly see and read the presence or absence of lesions using ultrasound images.
또한 초음파영상 판독에 사용되는 초음파 이미지의 촬영이 촬영자의 스킬에 따라 획득된 이미지의 차이가 크게 발생되는 문제로 판독자(의사)가 시각적으로 판독하기 어려운 부분이 발견되는 문제를 갖는다.In addition, there is a problem in that a portion that is difficult for a reader (doctor) to visually read is found because a difference in the acquired images is greatly generated depending on the skill of a photographer in photographing an ultrasound image used for reading an ultrasound image.
또한 초음파 촬영에 미숙한 경우 판독자는 판독 결과의 신뢰성이 낮아 스스로 확정하기 어려워하는 경우가 발생되고 있다. In addition, if the reader is inexperienced in ultrasound imaging, the reliability of the reading result is low, so it is difficult for the reader to determine it by himself/herself.
판독자의 경험 및 스킬에 의존적이라는 문제점과 판독자의 개인적 스킬에 따라 판독결과가 달라지는 재연성 문제로 필드에서 사용에 문제점을 갖고 있다. It has problems in use in the field because of the problem that it is dependent on the reader's experience and skill and the reproducibility problem that the reading result varies depending on the reader's personal skill.
본 발명품은 초음파영상 이미지와 매핑 연산을 통한 자동화 알고리즘 개발로 초음파 판독의 신뢰성 및 재연성을 보장한다.The present invention guarantees the reliability and reproducibility of ultrasound reading by developing an automated algorithm through ultrasound image image and mapping operation.
본 발명의 목적은 상기한 종래 기술의 문제점을 해결하기 위해 이루어진 것으로서, 다양한 환경조건에서 촬영된 입력영상에 독립적으로 관심영역을 자동으로 추출하고 이미지 전처리를 통한 오차율(±5%)범위 안에서 정확히 초음파 참조 영상과 매핑해 초음파 판독의 신뢰성 및 재연성을 구현할 수 있도록 한 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법을 제공하는 데 있다.An object of the present invention was made to solve the problems of the prior art, and to automatically extract a region of interest independently from an input image photographed under various environmental conditions and accurately perform ultrasound within an error rate (±5%) range through image preprocessing. The goal is to provide an ultrasound lesion extraction method using medical image big data that maps to a reference image to realize reliability and reproducibility of ultrasound reading.
상기 목적을 달성하기 위하여, 본 발명에 따른 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법은,In order to achieve the above object, an ultrasound lesion extraction method using medical image big data according to the present invention,
영상획득모듈이 디지털 초음파 장비의 디지털 초음파 촬영에 따라 DICOM 표준형식 또는 디지털 이미지 및 임상데이터를 수집하는 딥러닝 기반 이미지 알고리즘 설정하는 단계; 상기 영상저장모듈이 상기 DICOM 영상을 데이터베이스에 저장한 뒤, 상기 영상조회모듈이 상기 데이터베이스에 저장된 상기 DICOM 영상을 리딩(reading) 상태로 설정하는 단계; 상기 영상처리모듈이 상기 획득된 환자 정보에 해당하는 상기 DICOM 영상에 대해서 미리 설정된 초음파 특징 추출 및 인지 알고리즘 고도화 단계; 상기 DICOM 영상에 대해 이미지 전처리(image preprocessing)를 이용한 영상 알고리즘 고도화하는 단계; 및 상기 DICOM 분석모듈에 간 초음파 병변 판독을 위한 연령대별 참조표준데이터 생성 단계;를 포함하는 것을 특징으로 한다.setting, by the image acquisition module, a deep learning-based image algorithm that collects DICOM standard format or digital images and clinical data according to digital ultrasound imaging of digital ultrasound equipment; after the image storage module stores the DICOM image in a database, the image inquiry module sets the DICOM image stored in the database to a reading state; an ultrasound feature extraction and recognition algorithm advancement step preset for the DICOM image corresponding to the acquired patient information by the image processing module; upgrading an image algorithm using image preprocessing for the DICOM image; and generating reference standard data for each age group for reading the liver ultrasound lesion in the DICOM analysis module.
상기 이미지 알고리즘 설정하는 단계는, 의료영상 스토리지에 저장된 이미지로부터 간 병변 추정에 필요한 부분 이미지 분리하는 단계; 의료영상 스토리지에 저장된 이미지로부터 간 병변 추정에 필요한 부분 이미지를 분리하고 이미지에 대한 메타데이터를 생성하여 저장 관리하는 단계; 서브 이미지 데이터로부터 인공지능 기반의 빅데이터 처리 기법들을 활용하여 각 이미지의 특징을 추출하고 분류하는 단계; 및 특정 추출 알고리즘을 적용하기 위하여 잡음(noise)에 대한 필터링, 초음파 영상의 노이즈를 제거하는 단계;를 포함하는 것을 특징으로 한다.The step of setting the image algorithm may include: separating a partial image required for liver lesion estimation from an image stored in a medical image storage; Separating a partial image required for liver lesion estimation from an image stored in a medical image storage, generating and managing metadata for the image; extracting and classifying features of each image from sub-image data using artificial intelligence-based big data processing techniques; and filtering for noise and removing noise from the ultrasound image in order to apply a specific extraction algorithm.
상기 이미지의 특징 추출 및 분류하는 단계는, ROI로 분리된 서브 이미지에 대한 모양(shape) 특징을 추출하고 영역기반은 모양을 기술하기 위해 객체의 전체 영역을 이용하는 단계; 및 모형을 기술하기 위해 객체의 윤곽을 표현한 주요한 정보를 이용하고 모형 모델에 대한 정규화를 하고 간병변의 특징을 추출하는 단계;를 포함하는 것을 특징으로 한다.The step of extracting and classifying the features of the image includes: extracting shape features for the sub-images separated by the ROI and using the entire area of the object to describe the shape based on the area; And to describe the model, using the main information expressing the outline of the object, normalizing the model model, and extracting the characteristics of the liver lesion; characterized in that it comprises a.
관심영역 추출 및 분리하기 위해서, 관심영역 추출은 간영역의 초음파영상의 병변 부분, 매질의 상태, 암, 종양이 가지는 특성을 고려하는 단계; 및 관심영역 분리 알고리즘은 종양 및 암 덩어리의 가장자리 영역을 정의한 윤곽(contour)에 의해 개체를 분리하는 단계;를 더 포함하는 것을 특징으로 한다.In order to extract and separate the region of interest, the extraction of the region of interest includes the steps of considering the characteristics of a lesion part, a medium state, cancer, and a tumor of an ultrasound image of the liver; and the region-of-interest separation algorithm is characterized by further comprising: separating an object by a contour defining an edge region of a tumor and a cancer mass.
상기 이미지의 특징 추출 및 분류를 수행하기 위해서, ROI로 분리된 서브 이미지에 대한 텍스쳐 특징 검출로 유사도 측정하는 단계; 및 텍스쳐 파라미터로 엔트로피, 대조, 차이점, 균질성, 표준편차, 평균 분산 등으로 계산하고 특징을 포함한 이미지데이터를 적용하여 분류하는 단계;를 포함하는 것을 특징으로 한다.In order to perform feature extraction and classification of the image, measuring similarity by detecting a texture feature for a sub-image separated by an ROI; and entropy, contrast, difference, homogeneity, standard deviation, average variance, etc. as texture parameters and classifying by applying image data including features.
본 발명의 다른 실시예에 따른, 간병변 초음파 판별 알고리즘을 통한 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법은, 딥러닝 기반 FAST탐색 기법인 YOLO 방식으로 초음파 영상의 윤곽선 및 형태를 특정하며, 간암, 간종양, 간병변에 대해 전문의와 같은 재현성을 보장하기 위한 초음파 영상의 학습과정을 포함, 피험자의 간 초음파 영상을 기반으로 하되 상복부 초음파 영상 판독 기술을 포함하는 것을 특징으로 한다.According to another embodiment of the present invention, the ultrasound lesion extraction method using medical image big data through the liver lesion ultrasound identification algorithm specifies the contour and shape of the ultrasound image using the YOLO method, which is a deep learning-based FAST search technique. It is characterized in that it includes an ultrasound image learning process to ensure reproducibility like a specialist for tumors and liver lesions, and it is based on the subject's liver ultrasound image, but includes an epigastric ultrasound image reading technology.
상기 간병변 초음파 판별 알고리즘에 대한 분석데이터는, 상기 간암, 간 종양과 같은 간 병변에 대해 전문의와 같은 판별결과가 나오도록 설계된 모델을 통하여 계산함으로써, 초음파 영상에 대한 분석데이터를 생성하는 것을 특징으로 하는 디지털 초음파 영상 정보를 이용한 간병변 분석프로그램을 이용하는 단계; 및 의료정보의 비식별화 및 빅데이터 분석 및 가시화 모듈과 피험자의 개인정보 암호화 및 의료영상 암호화 알고리즘 LEA를 포함하는 단계;를 포함하는 것을 특징으로 한다.The analysis data for the liver lesion ultrasound identification algorithm is calculated through a model designed to produce the same determination result as a specialist for liver lesions such as liver cancer and liver tumor, characterized in that the analysis data for the ultrasound image is generated. using a liver lesion analysis program using digital ultrasound image information; and including the de-identification of medical information and the big data analysis and visualization module and the subject's personal information encryption and medical image encryption algorithm LEA.
본 발명에 따르면, 초음파 영상의 병변 재현성 향상의 개발로 정확한 영상 데이터를 축적하여 병변판단의 오차를 줄이고 가이드를 제시해 줄 수 있다. 또한 축적된 데이터를 이용해 지역별 또는 개인별 데이터를 분석하여 환경 변화에 따른 암 발생률을 예측 할 수 있는 효과가 있다.According to the present invention, it is possible to reduce errors in lesion judgment and provide a guide by accumulating accurate image data through the development of improved lesion reproducibility in ultrasound images. In addition, it has the effect of predicting the cancer incidence rate according to environmental changes by analyzing regional or individual data using the accumulated data.
또한, 본 발명에 따르면, 초음파 영상 분석을 통해 피험자가 놓칠 수 있는 실수를 방지하고 자동 판독 알고리즘 개발로 검사 결과에 대한 신뢰성을 향상시킬 수 있는 효과가 있다.In addition, according to the present invention, it is possible to prevent mistakes that a subject may miss through ultrasound image analysis and to improve the reliability of test results by developing an automatic reading algorithm.
또한, 본 발명에 따르면, 대량의 자료를 토대로 새 정보를 찾아내는 데이터 마이닝을 통해 의사들의 암 진단 및 치료 방법 선택을 지원할 수 있는 효과가 있다.In addition, according to the present invention, there is an effect of supporting doctors in diagnosing cancer and selecting a treatment method through data mining to find new information based on a large amount of data.
도 1은 빅데이터를 이용한 초음파영상 병변 자동 판독 SW 개발 흐름도이다.
도 2는 빅데이터를 이용한 초음파영상 병변 자동 판독 SW 블록 설명도이다.
도 3은 상복부 초음파에 대해 병변을 판별하는 알고리즘 개발 방법을 명시한 도면이다.1 is a flowchart of software development for automatic ultrasound image lesion reading using big data.
2 is an explanatory diagram of an ultrasound image lesion automatic reading SW block using big data.
3 is a diagram illustrating an algorithm development method for determining a lesion for an epigastric ultrasound.
본 발명은 이미지 처리 기능을 기반으로 관심영역을 추출하고 추출된 관심영역은 지능형 알고리즘을 통해 강화된 초음파 이미지와 매핑 연산을 수행하여 결과를 도출한다. The present invention extracts a region of interest based on an image processing function, and the extracted region of interest performs a mapping operation with an enhanced ultrasound image through an intelligent algorithm to derive a result.
상기 목적을 수행하기 위해 초음파 영상을 이용한 자동 판독 알고리즘 개발 단계, 수부 서브이미지 라이브러리 구축단계를 포함한다.In order to accomplish the above object, a step of developing an automatic reading algorithm using an ultrasound image and a step of constructing a hand sub-image library are included.
상기 빅데이터를 이용한 초음파 자동 판독 SW 개발에서는 병원에서 임상 참여자들의 간을 촬영한 DICOM 표준형식 또는 디지털 이미지 및 임상데이터를 수집하고 스토리에 저장하여 간 암, 간 종양 추정에 필요한 부분 이미지를 분리하고 이미지에 대한 메타데이터를 생성하여 저장 관리한다. In the development of automatic ultrasound reading software using the big data, DICOM standard format or digital images and clinical data of the livers of clinical participants are collected at the hospital and stored in the story to separate the partial images necessary for estimating liver cancer and liver tumors. Creates, stores, and manages metadata about
상기 초음파 영상자료를 이용한 딥러닝 기반 이미지 마이닝 단계에서 영상처리에 픽셀 값의 불연속적인 변화를 정량화하기 위해서는 텍스처 특징(texture feature)값을 이용하는 분할 영역 기법을 이용한다. 텍스쳐 특징을 이용한 형태분석은 그 형태가 정적인 것이 아니고 항상 진행, 변화하는 과정이므로 형태분석은 간 초음파 영상을 측정하기에 적합한 방법이다. In order to quantify discontinuous changes in pixel values in image processing in the deep learning-based image mining step using the ultrasound image data, a segmented region technique using texture feature values is used. Morphological analysis using textural features is not a static process, but a process that is constantly evolving and changing, so morphology analysis is a suitable method for measuring liver ultrasound images.
관심영역 추출은 간암, 간종양 등의 복부초음파를 고려하고 있고 관심영역 분리 알고리즘은 초음파 영상의 종양과 암에서 나타나는 윤곽(contour)에 의해 개체를 분리한다.The region-of-interest extraction considers abdominal ultrasound of liver cancer and liver tumor, and the region-of-interest separation algorithm separates the object by the contours appearing in the tumor and cancer of the ultrasound image.
ROI로 분리된 서브 이미지에 대한 모양 특징을 추출하고 영역기반은 모양을 기술하기 위해 객체의 전체 영역을 이용한다. ROI로 분리된 서브 이미지에 대한 텍스쳐 특징 검출로 유사도 측정을 하고 텍스쳐 파라미터로는 엔트로피, 대조, 차이점, 균질성, 표준편차, 평균 분산 등으로 계산하고 특징을 포함한 이미지데이터를 적용 분류한다.The shape features are extracted for sub-images separated by ROI, and the area-based method uses the entire area of the object to describe the shape. Similarity is measured by detecting texture features for sub-images separated by ROI. As texture parameters, entropy, contrast, difference, homogeneity, standard deviation, average variance, etc. are calculated and image data including features are applied and classified.
이하, 첨부된 도면을 참조하여, 본 발명에 따른 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법에 대하여 상세히 설명한다.Hereinafter, an ultrasound lesion extraction method using medical image big data according to the present invention will be described in detail with reference to the accompanying drawings.
도 1은 실제 예에 따른 초음파 영상을 이용한 간 초음파영상에 대한 자동 판독 SW 개발 흐름도이다. 1 is a flowchart of automatic reading SW development for a liver ultrasound image using an ultrasound image according to an actual example.
먼저 병원에서 임상 참여자들의 간을 촬영한 DICOM 표준형식 또는 디지털 이미지의 및 임상데이터를 수집한다. First, we collect clinical data and DICOM standard format or digital images of livers of clinical participants in the hospital.
다음으로 의료영상 스토리지에 저장된 이미지로부터 병변 추정에 필요한 부분 이미지를 분리하고 이미지에 대한 메타데이터를 생성하여 저장 관리를 하고, 서브 이미지 데이터로부터 인공지능 기반의 빅데이터 처리 기법들을 활용하여 각 이미지의 특징을 추출하고 이를 분류한다.Next, the partial image required for lesion estimation is separated from the image stored in the medical image storage, and metadata about the image is created for storage management, and features of each image by using artificial intelligence-based big data processing techniques from the sub-image data. extract and classify them.
이미지의 특징 추출 및 분류하기 위해 다음과 같은 방법을 사용한다. ROI로 분리된 서브 이미지에 대한 모양(shape) 특징을 추출하고 영역기반은 모양을 기술하기 위해 객체의 전체 영역을 이용한다. 모형을 기술하기 위해 객체의 윤곽을 표현한 주요한 정보를 이용하고 모형 모델에 대한 정규화를 하고 수골의 특징을 추출한다. ROI로 분리된 서브 이미지에 대한 텍스쳐 특징 검출로 유사도를 측정하고 텍스쳐 파라미터로는 엔트로피, 대조, 차이점, 균질성, 표준편차, 평균 분산 등으로 계산하고 특징을 포함한 이미지데이터를 적용하여 분류한다.To extract and classify features of an image, the following method is used. The shape feature is extracted for sub-images separated by ROI, and area-based uses the entire area of the object to describe the shape. To describe the model, the main information expressing the outline of the object is used, the model is normalized, and the characteristics of the mandible are extracted. Similarity is measured by detecting texture features for sub-images separated by ROI. As texture parameters, entropy, contrast, difference, homogeneity, standard deviation, average variance, etc. are calculated and classified by applying image data including features.
본 발명에 따른 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법은, 영상획득모듈이 디지털 초음파 장비의 디지털 초음파 촬영에 따라 DICOM 표준형식 또는 디지털 이미지 및 임상데이터를 수집하는 딥러닝 기반 이미지 알고리즘 설정하는 단계; 상기 영상저장모듈이 상기 DICOM 영상을 데이터베이스에 저장한 뒤, 상기 영상조회모듈이 상기 데이터베이스에 저장된 상기 DICOM 영상을 리딩(reading) 상태로 설정하는 단계; 상기 영상처리모듈이 상기 획득된 환자 정보에 해당하는 상기 DICOM 영상에 대해서 미리 설정된 초음파 특징 추출 및 인지 알고리즘 고도화 단계; 상기 DICOM 영상에 대해 이미지 전처리(image preprocessing)를 이용한 영상 알고리즘 고도화하는 단계; 및 상기 DICOM 분석모듈에 간 초음파 병변 판독을 위한 연령대별 참조표준데이터 생성 단계;를 포함한다.An ultrasound lesion extraction method using medical image big data according to the present invention comprises the steps of: setting, by an image acquisition module, a deep learning-based image algorithm to collect digital images and clinical data in DICOM standard format or digital images according to digital ultrasound imaging of digital ultrasound equipment; after the image storage module stores the DICOM image in a database, the image inquiry module sets the DICOM image stored in the database to a reading state; an ultrasound feature extraction and recognition algorithm advancement step preset for the DICOM image corresponding to the acquired patient information by the image processing module; upgrading an image algorithm using image preprocessing for the DICOM image; and generating reference standard data for each age group for reading the liver ultrasound lesion in the DICOM analysis module.
상기 이미지 알고리즘 설정하는 단계는, 의료영상 스토리지에 저장된 이미지로부터 간 병변 추정에 필요한 부분 이미지 분리하는 단계; 의료영상 스토리지에 저장된 이미지로부터 간 병변 추정에 필요한 부분 이미지를 분리하고 이미지에 대한 메타데이터를 생성하여 저장 관리하는 단계; 서브 이미지 데이터로부터 인공지능 기반의 빅데이터 처리 기법들을 활용하여 각 이미지의 특징을 추출하고 분류하는 단계; 및 특정 추출 알고리즘을 적용하기 위하여 잡음(noise)에 대한 필터링, 초음파 영상의 노이즈를 제거하는 단계를 포함한다.The step of setting the image algorithm may include: separating a partial image required for liver lesion estimation from an image stored in a medical image storage; Separating a partial image required for liver lesion estimation from an image stored in a medical image storage, generating and managing metadata for the image; extracting and classifying features of each image from sub-image data using artificial intelligence-based big data processing techniques; and filtering for noise and removing noise from the ultrasound image in order to apply a specific extraction algorithm.
상기 이미지의 특징 추출 및 분류하기 위해서는, ROI로 분리된 서브 이미지에 대한 모양(shape) 특징을 추출하고 영역기반은 모양을 기술하기 위해 객체의 전체 영역을 이용할 수 있다. 또한, 모형을 기술하기 위해 객체의 윤곽을 표현한 주요한 정보를 이용하고 모형 모델에 대한 정규화를 하고 간병변의 특징을 추출할 수 있다.In order to extract and classify the features of the image, shape features are extracted for the sub-images separated by the ROI, and the entire area of the object may be used to describe the shape in the area-based method. In addition, in order to describe the model, it is possible to use the main information that expresses the outline of the object, to normalize the model model, and to extract the features of the liver lesion.
또한, 관심영역 추출 및 분리하기 위해, 관심영역 추출은 간영역의 초음파영상의 병변 부분, 매질의 상태, 암, 종양이 가지는 특성을 고려하고, 관심영역 분리 알고리즘은 종양 및 암 덩어리의 가장자리 영역을 정의한 윤곽(contour)에 의해 개체를 분리하게 된다.In addition, in order to extract and separate the region of interest, the region of interest extraction considers the lesion part of the ultrasound image of the liver region, the state of the medium, cancer, and the characteristics of the tumor, and the region of interest separation algorithm separates the tumor and the edge region of the cancer mass. Objects are separated by defined contours.
특징 추출 및 분류하기 위해서, ROI로 분리된 서브 이미지에 대한 텍스쳐 특징 검출로 유사도 측정하고, 텍스쳐 파라미터로 엔트로피, 대조, 차이점, 균질성, 표준편차, 평균 분산 등으로 계산하고 특징을 포함한 이미지데이터를 적용하여 분류한다.To extract and classify features, measure similarity by detecting texture features for sub-images separated by ROI, calculate entropy, contrast, difference, homogeneity, standard deviation, mean variance, etc. as texture parameters and apply image data including features to classify
간병변 초음파 판별 알고리즘 개발 방법에 있어서, 딥러닝 기반 FAST탐색 기법인 YOLO 방식으로 초음파 영상의 윤곽선 및 형태를 특정하며, 간암, 간종양, 간병변에 대해 전문의와 같은 재현성을 보장하기 위한 초음파 영상의 학습과정을 포함, 피험자의 간 초음파 영상을 기반으로 하되 상복부 초음파 영상 판독 기술을 포함한다.In the method for developing an ultrasound identification algorithm for liver lesions, the contour and shape of the ultrasound image are specified using the YOLO method, which is a deep learning-based FAST search technique. Including, based on the ultrasound image of the subject's liver, but includes an epigastric ultrasound image reading technology.
상기 간병변 초음파 판별 알고리즘에 대한 분석데이터는, 상기 간암, 간 종양과 같은 간 병변에 대해 전문의와 같은 판별결과가 나오도록 설계된 모델을 통하여 계산함으로써, 초음파 영상에 대한 분석데이터를 생성하게 된다.Analysis data for the liver lesion ultrasound discrimination algorithm is calculated through a model designed to produce the same determination result as a specialist for liver lesions such as liver cancer and liver tumor, thereby generating analysis data for the ultrasound image.
도 3은 초음파 병변 판별 학습 알고리즘 개발 방법이다. 일반적으로 초음파 영상의 윤곽으로부터 예측하는 방법, 밝기 및 감마 영상상 정보로부터 얻을 수 있는 매질의 밀도를 고려하여 설계된 기준에 따라 검출한다.3 is a method for developing an ultrasound lesion discrimination learning algorithm. In general, detection is performed according to a standard designed in consideration of the method of predicting from the contour of the ultrasound image, the brightness, and the density of the medium obtainable from the gamma image information.
이때 해당 부위의 밀도가 정상적인 초음파 영상 매질에 비해 상대적으로 크다고 했을 때, 영상에서 나타난 해당 부위의 정보를 분석하여 정상적인 장기 조직인지 암 덩어리 및 종양인지 판단한다. 이 자료를 바탕으로 병변을 구하고, 영상 학습을 통해 병변의 종류를 알 수 있다.At this time, when it is assumed that the density of the relevant site is relatively large compared to that of a normal ultrasound imaging medium, information on the relevant area shown in the image is analyzed to determine whether it is a normal organ tissue, a cancerous mass, or a tumor. Based on this data, the lesion can be obtained and the type of lesion can be known through image learning.
이상에서 몇 가지 실시예를 들어 본 발명을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것이 아니고 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형실시될 수 있다.Although the present invention has been described in more detail with reference to several embodiments above, the present invention is not necessarily limited to these embodiments, and various modifications may be made within the scope without departing from the technical spirit of the present invention.
Claims (7)
상기 영상저장모듈이 상기 DICOM 영상을 데이터베이스에 저장한 뒤, 상기 영상조회모듈이 상기 데이터베이스에 저장된 상기 DICOM 영상을 리딩(reading) 상태로 설정하는 단계;
상기 영상처리모듈이 상기 획득된 환자 정보에 해당하는 상기 DICOM 영상에 대해서 미리 설정된 초음파 특징 추출 및 인지 알고리즘 고도화 단계;
상기 DICOM 영상에 대해 이미지 전처리(image preprocessing)를 이용한 영상 알고리즘 고도화하는 단계; 및
상기 DICOM 분석모듈에 간 초음파 병변 판독을 위한 연령대별 참조표준데이터 생성 단계;를 포함하는 것을 특징으로 하는 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법.setting, by the image acquisition module, a deep learning-based image algorithm that collects DICOM standard format or digital images and clinical data according to digital ultrasound imaging of digital ultrasound equipment;
after the image storage module stores the DICOM image in a database, the image inquiry module sets the DICOM image stored in the database to a reading state;
an ultrasound feature extraction and recognition algorithm advancement step preset for the DICOM image corresponding to the acquired patient information by the image processing module;
upgrading an image algorithm using image preprocessing for the DICOM image; and
Ultrasonic lesion extraction method using medical image big data, characterized in that it comprises; generating reference standard data for each age group for reading the liver ultrasound lesion in the DICOM analysis module.
상기 이미지 알고리즘 설정하는 단계는,
의료영상 스토리지에 저장된 이미지로부터 간 병변 추정에 필요한 부분 이미지 분리하는 단계;
의료영상 스토리지에 저장된 이미지로부터 간 병변 추정에 필요한 부분 이미지를 분리하고 이미지에 대한 메타데이터를 생성하여 저장 관리하는 단계;
서브 이미지 데이터로부터 인공지능 기반의 빅데이터 처리 기법들을 활용하여 각 이미지의 특징을 추출하고 분류하는 단계; 및
특정 추출 알고리즘을 적용하기 위하여 잡음(noise)에 대한 필터링, 초음파 영상의 노이즈를 제거하는 단계;를 포함하는 것을 특징으로 하는 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법.The method according to claim 1,
The step of setting the image algorithm is,
Separating a partial image required for liver lesion estimation from an image stored in a medical image storage;
Separating a partial image required for liver lesion estimation from an image stored in a medical image storage, generating and managing metadata for the image;
extracting and classifying features of each image from sub-image data using artificial intelligence-based big data processing techniques; and
An ultrasound lesion extraction method using medical image big data, comprising the steps of: filtering for noise and removing noise from an ultrasound image in order to apply a specific extraction algorithm.
상기 이미지의 특징 추출 및 분류하는 단계는,
ROI로 분리된 서브 이미지에 대한 모양(shape) 특징을 추출하고 영역기반은 모양을 기술하기 위해 객체의 전체 영역을 이용하는 단계; 및
모형을 기술하기 위해 객체의 윤곽을 표현한 주요한 정보를 이용하고 모형 모델에 대한 정규화를 하고 간병변의 특징을 추출하는 단계;를 포함하는 것을 특징으로 하는 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법.3. The method according to claim 2,
The step of extracting and classifying the features of the image,
extracting shape features for the sub-images separated by the ROI and using the entire area of the object to describe the shape based on the area; and
Ultrasonic lesion extraction method using medical image big data, comprising the steps of using main information expressing the outline of an object to describe the model, normalizing the model model, and extracting the characteristics of the liver lesion.
관심영역 추출 및 분리하기 위해서,
관심영역 추출은 간영역의 초음파영상의 병변 부분, 매질의 상태, 암, 종양이 가지는 특성을 고려하는 단계; 및
관심영역 분리 알고리즘은 종양 및 암 덩어리의 가장자리 영역을 정의한 윤곽(contour)에 의해 개체를 분리하는 단계;를 더 포함하는 것을 특징으로 하는 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법.3. The method according to claim 2,
In order to extract and separate the region of interest,
The extraction of the region of interest includes the steps of considering the characteristics of the lesion part of the ultrasound image of the liver region, the state of the medium, cancer, and the tumor; and
The region of interest separation algorithm further comprises the step of separating an object by a contour defining an edge region of a tumor and a cancer mass;
상기 이미지의 특징 추출 및 분류를 수행하기 위해서,
ROI로 분리된 서브 이미지에 대한 텍스쳐 특징 검출로 유사도 측정하는 단계; 및
텍스쳐 파라미터로 엔트로피, 대조, 차이점, 균질성, 표준편차, 평균 분산 등으로 계산하고 특징을 포함한 이미지데이터를 적용하여 분류하는 단계;를 포함하는 것을 특징으로 하는 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법.4. The method according to claim 3,
In order to perform feature extraction and classification of the image,
measuring similarity by detecting texture features for sub-images separated by ROI; and
An ultrasound lesion extraction method using medical image big data, comprising: calculating entropy, contrast, difference, homogeneity, standard deviation, mean variance, etc. as texture parameters and applying image data including features to classify.
상기 간병변 초음파 판별 알고리즘은,
딥러닝 기반 FAST탐색 기법인 YOLO 방식으로 초음파 영상의 윤곽선 및 형태를 특정하며, 간암, 간종양, 간병변에 대해 전문의와 같은 재현성을 보장하기 위한 초음파 영상의 학습과정을 포함, 피험자의 간 초음파 영상을 기반으로 하되 상복부 초음파 영상 판독 기술을 포함하는 것을 특징으로 하는 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법.In the ultrasound lesion extraction method using medical image big data through the liver lesion ultrasound identification algorithm,
The liver lesion ultrasound discrimination algorithm,
The YOLO method, which is a deep learning-based FAST search technique, specifies the outline and shape of the ultrasound image, and includes the ultrasound image learning process to ensure the same reproducibility as a specialist for liver cancer, liver tumor, and liver lesion. Ultrasound lesion extraction method using medical image big data based on but including epigastric ultrasound image reading technology.
상기 간병변 초음파 판별 알고리즘에 대한 분석데이터는,
상기 간암, 간 종양과 같은 간 병변에 대해 전문의와 같은 판별결과가 나오도록 설계된 모델을 통하여 계산함으로써, 초음파 영상에 대한 분석데이터를 생성하는 것을 특징으로 하는 디지털 초음파 영상 정보를 이용한 간병변 분석프로그램을 이용하는 단계; 및
의료정보의 비식별화 및 빅데이터 분석 및 가시화 모듈과 피험자의 개인정보 암호화 및 의료영상 암호화 알고리즘 LEA를 포함하는 단계;를 포함하는 것을 특징으로 하는 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법.
7. The method of claim 6,
The analysis data for the liver lesion ultrasound discrimination algorithm,
Using a liver lesion analysis program using digital ultrasound image information, characterized in that the analysis data for the ultrasound image is generated by calculating through a model designed to produce the same determination result as a specialist for liver lesions such as liver cancer and liver tumors. step; and
An ultrasound lesion extraction method using medical image big data, comprising: including a de-identification and big data analysis and visualization module of medical information, and an encryption algorithm LEA for personal information encryption and medical image of the subject.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190153222A KR20210065228A (en) | 2019-11-26 | 2019-11-26 | Ultrasonic Lesion Extraction Method Using Medical Image Big Data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190153222A KR20210065228A (en) | 2019-11-26 | 2019-11-26 | Ultrasonic Lesion Extraction Method Using Medical Image Big Data |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210065228A true KR20210065228A (en) | 2021-06-04 |
Family
ID=76391964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190153222A KR20210065228A (en) | 2019-11-26 | 2019-11-26 | Ultrasonic Lesion Extraction Method Using Medical Image Big Data |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20210065228A (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689469A (en) * | 2021-08-24 | 2021-11-23 | 复旦大学附属中山医院 | Method for automatically identifying ultrasonic contrast small liver cancer focus and ultrasonic system |
CN116434266A (en) * | 2023-06-14 | 2023-07-14 | 邹城市人民医院 | Automatic extraction and analysis method for data information of medical examination list |
CN117456594A (en) * | 2023-11-15 | 2024-01-26 | 深圳市眼科医院(深圳市眼病防治研究所) | Eyeball ultrasonic image automatic classification method and system based on deep learning |
WO2024147683A1 (en) * | 2023-01-07 | 2024-07-11 | 유한회사 닥터다비드 | Information processing system and method using collective intelligence |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000005393A (en) | 1996-04-12 | 2000-01-25 | 쿠드라 로날드 엠 | Hybrid interferon composition and using method thereof |
JP2007124595A (en) | 2005-10-31 | 2007-05-17 | Kyocera Kinseki Corp | Method of manufacturing piezoelectric device, lid body sealing apparatus for piezoelectric device |
JP2008119625A (en) | 2006-11-14 | 2008-05-29 | Seiko Epson Corp | Plotting method using liquid material, method for manufacturing color filter, and method for manufacturing organic el element |
KR20080108452A (en) | 2006-02-14 | 2008-12-15 | 코베이테크, 엘엘씨 | All-optical logic gates using nonlinear elements |
KR20090111746A (en) | 2008-04-22 | 2009-10-27 | 임성조 | Sole of a shoes |
KR20110046125A (en) | 2009-10-28 | 2011-05-04 | 삼성전자주식회사 | Liquid crystal display |
KR20110046121A (en) | 2009-10-28 | 2011-05-04 | 한국표준과학연구원 | Ear clinical thermometer verification device |
KR20160057469A (en) | 2013-09-20 | 2016-05-23 | 지에이치에스피, 아이엔씨. | Submersible pumping apparatus with integrated filter and sealed circuitry |
-
2019
- 2019-11-26 KR KR1020190153222A patent/KR20210065228A/en unknown
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000005393A (en) | 1996-04-12 | 2000-01-25 | 쿠드라 로날드 엠 | Hybrid interferon composition and using method thereof |
JP2007124595A (en) | 2005-10-31 | 2007-05-17 | Kyocera Kinseki Corp | Method of manufacturing piezoelectric device, lid body sealing apparatus for piezoelectric device |
KR20080108452A (en) | 2006-02-14 | 2008-12-15 | 코베이테크, 엘엘씨 | All-optical logic gates using nonlinear elements |
JP2008119625A (en) | 2006-11-14 | 2008-05-29 | Seiko Epson Corp | Plotting method using liquid material, method for manufacturing color filter, and method for manufacturing organic el element |
KR20090111746A (en) | 2008-04-22 | 2009-10-27 | 임성조 | Sole of a shoes |
KR20110046125A (en) | 2009-10-28 | 2011-05-04 | 삼성전자주식회사 | Liquid crystal display |
KR20110046121A (en) | 2009-10-28 | 2011-05-04 | 한국표준과학연구원 | Ear clinical thermometer verification device |
KR20160057469A (en) | 2013-09-20 | 2016-05-23 | 지에이치에스피, 아이엔씨. | Submersible pumping apparatus with integrated filter and sealed circuitry |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689469A (en) * | 2021-08-24 | 2021-11-23 | 复旦大学附属中山医院 | Method for automatically identifying ultrasonic contrast small liver cancer focus and ultrasonic system |
WO2024147683A1 (en) * | 2023-01-07 | 2024-07-11 | 유한회사 닥터다비드 | Information processing system and method using collective intelligence |
CN116434266A (en) * | 2023-06-14 | 2023-07-14 | 邹城市人民医院 | Automatic extraction and analysis method for data information of medical examination list |
CN116434266B (en) * | 2023-06-14 | 2023-08-18 | 邹城市人民医院 | Automatic extraction and analysis method for data information of medical examination list |
CN117456594A (en) * | 2023-11-15 | 2024-01-26 | 深圳市眼科医院(深圳市眼病防治研究所) | Eyeball ultrasonic image automatic classification method and system based on deep learning |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10297352B2 (en) | Diagnosis support apparatus, method of controlling diagnosis support apparatus, and program therefor | |
KR20210065228A (en) | Ultrasonic Lesion Extraction Method Using Medical Image Big Data | |
US7903861B2 (en) | Method for classifying breast tissue density using computed image features | |
CN109035283B (en) | Emphysema accurate detection and quantitative analysis method based on randomly selected partitions | |
DK2807630T3 (en) | Processing and display of a breast image | |
CN110772286B (en) | System for discernment liver focal lesion based on ultrasonic contrast | |
KR101840350B1 (en) | Method and apparatus for aiding reading efficiency using eye tracking information in medical image reading processing | |
JPH03170130A (en) | Method and device for processing picture | |
JP2008520345A (en) | Method and system for detecting and classifying lesions in ultrasound images | |
JP5456132B2 (en) | Diagnosis support device, diagnosis support device control method, and program thereof | |
CN103249358A (en) | Medical image processing device | |
CN110728239B (en) | Gastric cancer enhanced CT image automatic identification system utilizing deep learning | |
Verikas et al. | Advances in laryngeal imaging | |
CN113855079A (en) | Real-time detection and breast disease auxiliary analysis method based on breast ultrasonic image | |
JP6832880B2 (en) | Learning data creation support device, learning data creation support method, and learning data creation support program | |
CN111265234A (en) | Method and system for judging properties of lung mediastinal lymph nodes | |
Arnold et al. | Indistinct frame detection in colonoscopy videos | |
CN113838020B (en) | Lesion area quantification method based on molybdenum target image | |
WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
CN109993754B (en) | Method and system for skull segmentation from images | |
Rimskaya et al. | Development Of A Mobile Application For An Independent Express Assessment Of Pigmented Skin Lesions | |
Sarkar et al. | Review of Artificial Intelligence methods for detecting cancer in medical image processing | |
Mesanovic et al. | Application of lung segmentation algorithm to disease quantification from CT images | |
CN115148365B (en) | Methods and systems for predicting prognosis of CNS germ cell tumors | |
CN112862822B (en) | Ultrasonic breast tumor detection and classification method, device and medium |